深度学习与响应曲面替代在分布式模型率定的对比

摘要

为解决分布式水文模型参数率定时参数维度高且计算效率低的问题，提出一种结合深度学习替代模型与多尺度参数区域化(multiscale parameter regionalization, MPR)方法的参数优化方案。以淮河流域为研究区域，利用全球陆地蒸发阿姆斯特丹模型(global land evaporation Amsterdam model, GLEAM)遥感蒸散发数据对可变下渗容量(variable infiltration capacity, VIC)模型的参数进行率定，通过MPR方法将下垫面物理特征与VIC模型参数进行关联，降低参数维度，采用基于深度学习的长短期记忆网络(long short-term memory, LSTM)替代模型近似原始模型的模拟过程，通过洗牌复合形进化算法(shuffled complex evolution-University of Arizona, SCE-UA)对VIC模型参数进行优化。此外，利用传统基于自适应替代模型的优化算法(adaptive surrogate modeling based optimization,ASMO)进行率定，并对2种方法的优化效果进行对比分析。结果表明：LSTM替代模型能较好模拟蒸散发的时空变化，2011-2013年平均纳什效率系数为0.919，平均偏差为0.074，相关系数为0.923。LSTM-SCE率定方案在蒸散发精度、误差分布稳定性及克林-古普塔效率系数、相关系数等指标上均优于ASMO，在验证期的均方根误差为0.849，较ASMO降低6.1%，低于0.9的网格比例达76.7%，较ASMO提高约52%。

关键词

替代模型 / VIC模型 / 参数优化 / MPR方法 / LSTM / SCE-UA / 蒸散发